2. 高通8155硬件架构解析
好，咱们进入正题。8155这颗芯片，说白了就是一个“八爪鱼”——它把CPU、GPU、VPU、DSP、NPU全塞进了一个SoC里。你可能会问，为什么搞这么复杂？
我当年第一次拿到8155的datasheet时，第一反应也是“头大”。但后来在QNX BSP移植过程中，我慢慢摸清了它的脾气。今天我就把这几年的经验拆开揉碎了讲给你听。
2.1 CPU集群：大小核的“黄金搭档”
8155的CPU部分采用了ARM的DynamIQ架构，具体配置是：
- 1个Cortex-A78超大核（主频最高2.96GHz）
- 3个Cortex-A78大核（主频2.42GHz）
- 4个Cortex-A55小核（主频1.8GHz）
这个“1+3+4”的配置，我习惯叫它“1+3+4黄金搭档”。为什么这么分？
核心思路： 大核负责“爆发力”，小核负责“耐力”。在QNX系统里，我会把实时性要求高的中断处理、音频流绑定到A78上；把后台服务、监控任务丢给A55。这样既保证了响应速度，又省了电。
我在做8155的QNX BSP时，遇到过一个问题：默认的调度器会把所有线程都往大核上塞，结果小核闲着，大核热得烫手。后来我手动绑定了CPU亲和性，才把温度压下来。
2.1.1 大小核的“默契配合”
大小核之间怎么通信？靠的是CCI-550（缓存一致性互联）。这个模块负责维护L1/L2缓存的一致性。说白了，就是大核改了数据，小核不能读到旧值。
| 特性 | Cortex-A78 | Cortex-A55 |
|---|---|---|
| 架构 | ARMv8.2-A | ARMv8.2-A |
| 乱序执行 | 深度乱序（11级流水线） | 顺序执行（8级流水线） |
| L1缓存 | 64KB I-cache + 64KB D-cache | 32KB I-cache + 32KB D-cache |
| L2缓存 | 256KB（每核私有） | 128KB（每核私有） |
| L3缓存 | 共享2MB（所有核共用） | |
| 典型功耗 | 1.5W @ 2.4GHz | 0.3W @ 1.8GHz |
嗯，这里要注意：L3缓存是所有核共享的。在QNX里，如果你有多个进程频繁访问同一块数据，尽量让它们跑在同一个cluster里，减少缓存miss。
2.2 GPU：Adreno 650的“图形引擎”
Adreno 650，这颗GPU在8155上主要负责两件事：
- 图形渲染：仪表盘、中控屏的3D界面
- 通用计算：通过OpenCL做图像处理、计算机视觉
它的规格我列一下：
- 支持Vulkan 1.1、OpenGL ES 3.2、OpenCL 2.0
- 最高支持4K@60fps显示输出
- 支持H.264/H.265硬件编解码
我在移植QNX的GPU驱动时，踩过一个坑：Adreno 650的固件必须和内核驱动版本严格匹配。有一次我升级了内核，忘了更新GPU固件，结果屏幕直接黑掉。后来我学乖了，每次更新驱动前，先检查固件版本。
我的经验： 在QNX下调试GPU，建议先用io-poke工具直接读写GPU寄存器，确认硬件是否正常。别一上来就调驱动，那样容易绕弯路。
2.3 VPU：视频处理的“硬核加速器”
VPU（视频处理单元）是8155上专门干视频编解码的硬件模块。它支持：
- 解码：H.264、H.265、VP9，最高4K@60fps
- 编码：H.264、H.265，最高4K@30fps
你可能会问，为什么不用GPU做视频解码？
原因很简单：VPU更省电，延迟更低。在车载场景下，倒车影像、360环视这些功能，要求从摄像头采集到屏幕显示，延迟不能超过100ms。用VPU硬解，延迟能控制在30ms以内。用GPU软解？嗯，我试过，至少80ms起步。
我记得有一次做环视系统，客户要求延迟低于50ms。我一开始用GPU做拼接，死活压不下去。后来换成VPU做解码，DSP做拼接，才勉强达标。
2.4 DSP与NPU：异构计算的“双引擎”
8155上集成了两个专用计算单元：
- Hexagon DSP：数字信号处理器，擅长音频处理、传感器融合
- NPU：神经网络处理单元，专门跑AI推理
2.4.1 Hexagon DSP：音频与传感器的“管家”
Hexagon DSP在8155上主要负责：
- 语音唤醒（比如“你好，小蜜”）
- 主动降噪
- 传感器数据融合（加速度计、陀螺仪）
它的优势是超低功耗。在语音唤醒场景下，DSP的功耗只有几十毫瓦，而用A55小核跑同样的算法，功耗要翻好几倍。
注意： DSP的编程模型和CPU完全不同。它用的是静态调度，任务必须在编译时就确定好执行顺序。如果你在QNX里用pthread去调度DSP任务，那肯定行不通。我建议用fastrpc框架来和DSP通信。
2.4.2 NPU：AI推理的“加速器”
NPU是8155上专门为神经网络设计的硬件。它支持：
- INT8/INT16量化推理
- 典型算力：4 TOPS（INT8）
- 支持TensorFlow Lite、ONNX等框架
在车载场景下，NPU主要用来跑：
- 驾驶员监控（疲劳检测、分心检测）
- 手势识别
- 场景理解（比如识别前方是行人还是车辆）
我做过一个测试：同样的YOLOv5s模型，在A78大核上跑，帧率只有15fps；在NPU上跑，帧率能到60fps。差距就是这么明显。
2.5 异构计算框架：如何让它们“协同作战”
好了，现在CPU、GPU、VPU、DSP、NPU都有了。问题来了：怎么让它们一起干活？
8155的异构计算框架，我画了一张图，你看完就明白了：
从这张图你能看到：CPU是“大脑”，负责调度和分发任务。GPU、VPU、DSP、NPU是“手脚”，各司其职。它们之间通过共享内存交换数据，避免了数据拷贝的开销。
在QNX下，我一般用fastrpc框架来做异构计算。它的工作流程是这样的：
- CPU上的主程序调用fastrpc API，把任务描述发给目标计算单元
- 计算单元从共享内存中读取输入数据
- 计算单元执行任务，把结果写回共享内存
- CPU通过中断或轮询获取完成信号
关键点： 在QNX里，异构计算的核心是内存管理。你必须确保共享内存的物理地址是连续的，并且对齐到缓存行大小（64字节）。否则，DMA传输会出错，或者缓存一致性会出问题。